Antes de comparar máquinas e pessoas, precisamos definir o que estamos comparando. Alan Turing contribuiu para duas discussões distintas: a descrição matemática da computação e a avaliação de comportamentos associados à inteligência.
Uma pessoa diz que resolveu um problema “seguindo uma regra”. Outra afirma que o computador “pensou”. As frases parecem claras até pedirmos detalhes. Qual regra? Quais passos? Que resultado seria aceito? Neste capítulo, a história da tecnologia encontra o trabalho de tornar perguntas vagas suficientemente precisas para investigação.
É útil separar dois momentos. Em 1936, Turing publicou um trabalho sobre números computáveis e procedimentos. Em 1950, discutiu inteligência e um jogo de imitação. O primeiro investiga procedimentos de cálculo; o segundo propõe maneiras de discutir comportamento inteligente.
Uma máquina imaginada para estudar procedimentos
No artigo de 1936, Turing descreveu um modelo abstrato de máquina que lê e escreve símbolos, muda de estado e se movimenta por uma fita segundo regras. O objetivo era investigar o alcance do cálculo por procedimentos definidos. A fita pertence ao modelo matemático, que abstrai os limites de um equipamento físico. [1]
Uma abstração retém características relevantes e deixa outras de lado. Ao estudar uma rota, um mapa pode ignorar a cor das casas. Ao estudar computação, um modelo pode ignorar detalhes de fabricação e concentrar-se na relação entre estados, símbolos e operações.
Pense em uma regra didática: se encontrar o símbolo 0, escreva 1 e avance; se encontrar um espaço vazio, pare. A cada momento, a ação depende do símbolo lido e do estado definido. O exemplo permite acompanhar, passo a passo, como uma regra determina a execução.
Universal não significa capaz de resolver tudo
Uma contribuição do trabalho é a ideia de uma máquina universal capaz de simular outras máquinas desse tipo a partir de uma descrição apropriada. A máquina passa a operar sobre uma representação de um procedimento. O alcance conceitual lembra a possibilidade de uma mesma infraestrutura executar programas diferentes. [1]
Mas universalidade tem um sentido técnico. Ela não garante memória física ilimitada, velocidade suficiente ou solução para qualquer pergunta. Há problemas sem solução algorítmica geral; há problemas computáveis que podem exigir recursos impraticáveis. Também existem perguntas mal formuladas, para as quais nem sequer definimos o que seria uma resposta correta.
Um paralelo cotidiano ajuda: uma linguagem permite descrever muitos projetos, mas possuir a linguagem não fornece tempo, materiais ou um método para realizar todos eles. Capacidade de representação e viabilidade de execução precisam ser examinadas separadamente.
A impossibilidade de um verificador perfeito para todos os programas
Uma consequência central da teoria da computação é que não existe um procedimento geral que, para todo programa e toda entrada, determine corretamente se aquela execução terminará. Esse resultado é associado ao problema da parada e às demonstrações de indecidibilidade inauguradas nesse período. [1]
Podemos demonstrar a terminação de muitos programas particulares. O resultado estabelece o limite de um método único, sempre correto e aplicável a todos os casos.
Essa diferença entre “muitos casos” e “todos os casos” merece atenção. Uma ferramenta que funciona em uma coleção de exemplos não demonstrou, só por isso, uma garantia universal. A abrangência de uma garantia precisa acompanhar a abrangência das evidências.
Em 1950, a pergunta muda
No artigo Computing Machinery and Intelligence, publicado em 1950, Turing começa discutindo a dificuldade de definir “máquina” e “pensar”. Em seguida, utiliza um jogo de imitação para deslocar a discussão para um arranjo observável de perguntas e respostas. O texto também examina objeções e possibilidades de aprendizagem. [2]
Na versão usualmente associada ao teste de Turing, um avaliador interage por texto sem ver seus interlocutores e tenta distinguir uma pessoa de uma máquina. O desempenho depende do formato, das condições e do critério adotado. Por isso, as condições do teste fazem parte do resultado.
O mérito metodológico é fazer uma proposta discutível e examinável: que comportamento será observado? Quem julga? Durante quanto tempo? Com quais informações? Essas perguntas permitem discutir o teste, em vez de depender apenas de uma impressão produzida por uma resposta surpreendente.
Parecer humano não resolve todas as questões
Uma conversa pode informar muito sobre desempenho linguístico e capacidade de responder em determinado contexto. Ela não fornece, automaticamente, uma resposta definitiva sobre consciência, experiência subjetiva ou confiabilidade em outras tarefas.
Considere uma pessoa que conta uma história de forma convincente e erra uma conta. A qualidade narrativa e a correção aritmética são dimensões diferentes. Da mesma maneira, uma máquina pode produzir uma interação convincente e precisar de avaliação independente em cálculo, pesquisa ou planejamento.
Também há comportamentos úteis que não se parecem com os de uma pessoa. Uma ferramenta de busca pode organizar milhões de registros por um processo que nenhum usuário executaria manualmente. A utilidade não depende de imitar cada aspecto do comportamento humano.
Testar uma capacidade exige escolher uma tarefa
Imagine que uma equipe deseja avaliar um assistente para resumir reuniões. Um teste baseado apenas em “parece uma pessoa escrevendo?” deixa perguntas essenciais sem resposta. O resumo preservou as decisões? Atribuiu uma tarefa à pessoa correta? Inventou um prazo? Informou quando o registro estava ambíguo?
Um protocolo melhor define exemplos, critérios e tipos de erro antes de comparar resultados. Isso não elimina todos os desacordos, mas permite que a discussão se apoie em evidências. Uma nota agregada pode ser útil; o exame dos erros continua necessário.
A conexão com Turing está na disciplina de tornar observável uma pergunta. Não precisamos repetir exatamente seu jogo para aproveitar essa contribuição. Precisamos saber o que nosso próprio teste está medindo e quais conclusões ele não sustenta.
Aprendizagem já fazia parte da discussão
O texto de 1950 não se limita a imaginar respostas previamente escritas para toda conversa. Turing também discute máquinas que aprendem e a possibilidade de desenvolver capacidades por um processo de educação. Essas propostas exploratórias ampliavam o debate sobre como desenvolver capacidades em máquinas. [2]
Desde o início, havia diferentes caminhos para investigar comportamento, aprendizagem e organização de procedimentos. Nos próximos capítulos, essas linhas aparecerão em modelos de neurônios, teoria da informação e programas baseados em símbolos.
Duas perguntas para continuar a série
Ao estudar uma tecnologia, podemos perguntar se a tarefa foi descrita de maneira computável e se os recursos disponíveis permitem executá-la. Ao avaliar seu comportamento, precisamos perguntar qual evidência sustenta a capacidade anunciada.
Essas perguntas se encontram, mas não são equivalentes. Uma demonstração matemática não é uma avaliação de produto; uma conversa impressionante não é uma prova sobre toda a computação. Turing nos ajuda a manter os níveis separados e, justamente por isso, a conversar sobre eles com mais clareza.
No próximo capítulo, voltaremos alguns anos dentro desse mesmo período para conhecer duas outras contribuições: neurônios descritos matematicamente e informação tratada como objeto de uma teoria. A história será temática, porque as ideias se desenvolveram em paralelo.
